CN105608493A - 基于遗传算法的剩余静校正求取方法 - Google Patents

基于遗传算法的剩余静校正求取方法 Download PDF

Info

Publication number
CN105608493A
CN105608493A CN201510945879.1A CN201510945879A CN105608493A CN 105608493 A CN105608493 A CN 105608493A CN 201510945879 A CN201510945879 A CN 201510945879A CN 105608493 A CN105608493 A CN 105608493A
Authority
CN
China
Prior art keywords
population
value
individuality
individual
popsize
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201510945879.1A
Other languages
English (en)
Other versions
CN105608493B (zh
Inventor
周强
张晓斌
何光明
陈爱萍
刘鸿
曹琳昱
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China National Petroleum Corp
BGP Inc
Original Assignee
Geophysical Prospecting Co of CNPC Chuanqing Drilling Engineering Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Geophysical Prospecting Co of CNPC Chuanqing Drilling Engineering Co Ltd filed Critical Geophysical Prospecting Co of CNPC Chuanqing Drilling Engineering Co Ltd
Priority to CN201510945879.1A priority Critical patent/CN105608493B/zh
Publication of CN105608493A publication Critical patent/CN105608493A/zh
Application granted granted Critical
Publication of CN105608493B publication Critical patent/CN105608493B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/12Computing arrangements based on biological models using genetic models
    • G06N3/126Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/004Artificial life, i.e. computing arrangements simulating life
    • G06N3/006Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明提供了一种基于遗传算法的剩余静校正求取方法,所述方法以允许的最大时移量计算出种群大小、种群代数和个体变异率,从而能够自动、快速、高效地计算出剩余静校正量;并有利于后续处理的剖面品质的改善。

Description

基于遗传算法的剩余静校正求取方法
技术领域
本发明涉及一种基于遗传算法的剩余静校正求取方法,该方法可自动、科学确定遗传算法计算参数,应用于石油地震勘探,属于地震勘探资料处理领域,是一种获取精确的高频静校正量的有效方法。
背景技术
我国年石油天然气对外依存度极高,而我国剩余油气资源超过一半聚集在山地复杂构造中,及时发现探明山地复杂构造油气资源迫在眉睫。这些地区地震地表条件复杂,静校正问题严重,导致多次覆盖资料同一反射点因为地震道之间存在延迟时差,叠加成像困难,其精度难以满足后期的构造、储层解释,由这类品质的资料提供的建议井位可靠性不高,将会增加油气勘探的成本和风险。
为降低这类因素带来的成本和风险,物探人员尝试采用遗传算法求剩余静校正量,减少共反射点道集的延迟时差,其基本思想是从模型群体开始搜索,把模型参数编码,将模型空间的点映射到染色体空间的染色体,然后通过选择、交换和变异等遗传操作对模型群体进行繁殖,逐次迭代,最后求取非线性反演问题整体极值所对应的最优解或近似最优解。
然而,常规的遗传算法求取剩余静校正的实际性能受控制参数(如种群数目、种群大小、变异概率等)的影响,如何确定这些控制参数成为一直困扰物探人员的瓶颈问题,也直接制约了该技术在生产上的推广应用。
发明内容
为解决常规遗传算法参数难以确定的问题,申请人提出一种基于遗传算法的剩余静校正求取方法,可以根据允许的最大时移量计算出种群大小、种群代数和个体变异率,自动计算出剩余静校正量。
本发明提供了一种基于遗传算法的剩余静校正求取方法。所述方法用于处理二维地震资料,其包括以下步骤:
A、将不同的炮点或检波点的真实值分别作为遗传算法的不同个体中的单个基因,将多个个体构成初始种群,种群大小popSize通过式1确定,式1为:popSize=(maxSta/sampInv)×fpopSize,式1中maxSta为最大时移量,在10~60ms之间选择;sampInv为地震数据的采样间隔,单位为ms;fpopSize为种群大小的调控因子,在0.5~1.5之间取值;
B、计算种群中每个个体的适应度值,随后对种群中的所有个体按适应度值由大到小排序,选择保留适应度值最高的个体作为交换对象;
C、在种群的第k个个体和所述交换对象上各随机产生两个交换位置,将所述第k个个体的两个交换位置之间的基因段与所述交换对象的两个交换位置之间的基因段进行交换,产生子代新个体,其中,k=popSize×0.4,k须取整;
D、对步骤C中所述进行交换后获得的种群,保留适应度值最高的个体作为精英进入子代,对于其余个体,若随机数r大于该个体的变异概率,则该个体随机产生两个变异位置,并将该个体的两个变异位置处的基因随机变为允许移动的最大时移量maxSta范围内的随机值,从而产生子代新个体,若随机数r不大于该个体的变异概率,则不变异,同时该个体直接进入子代作为子代个体,其中,随机数r在[0,1]间随机产生,个体的变异概率通过以下方式获得,先对该个体所在种群中的所有个体按适应度值由大到小排序,排序后,第i个个体的变异概率根据式2得到,式2为:
P m i = 0.5 1 + e - ∂ 1 ( i - N z p o p S i z e ) i ≤ N z 0.5 1 + e - ∂ 2 ( i - N z p o p S i z e ) i > N z ,
其中,Nz=0.4*popSize;在0.15~0.25之间取值,在0.08~0.14之间取值;
E、重复进行所述步骤B至所述步骤D,直到达到种群代数popGen或误差门槛值时,其中,种群代数popGen通过式3得到,式3为:
p o p G e n = ( max S t a / s a m p I n v ) × f p o p G e n j = 1 maxE j - 2 maxE j - 1 × ( max S t a / s a m p I n v ) × f p o p G e n j > 1 ,
其中,fpopGen是种群代数的控制因子,在80~120之间取值;maxEj-2为第j代种群的上两代种群中具有最大能量的个体的能量值;maxEj-1为第j代种群的上一代种群中具有最大能量的个体的能量值;
F、取出种群中最优个体,即为炮点、检波点的剩余静校正量。
本发明的方法所处理对象为共反射点道集,可以根据允许的最大时移量计算出种群大小、种群代数和个体变异率,自动计算出剩余静校正量。也就是说,本发明可根据地震资料自动确定种群大小、种群代数,而且其中个体变异率是根据适应度适时变化的,有助于快速收敛于全局最优解。
与现有技术相比,本发明基于遗传算法的剩余静校正求取方法的有益效果包括:(1)可自动、科学确定遗传算法剩余静校正方法的种群大小、种群代数,让对遗传算法不是特别精通的物探人员也可放心使用,减少了人为因素对计算带来的不可控性;(2)能够快速、高效地求取精确的剩余静校正量,并有利于后续处理的剖面品质的改善。
具体实施方式
下面将结合示例性实施例来详细说明本发明的基于遗传算法求取剩余静校正量的方法。
总体来讲,本发明的基于遗传算法求取剩余静校正量的方法可自动确定最优的遗传算法的种群大小、种群代数、变异概率,基于此计算剩余静校正量。
在本发明的一个示例性实施例中,本发明基于遗传算法求取剩余静校正量的方法可通过以下步骤实现:
(1)读入地震资料数据,获取允许的最大时移量信息。
(2)自适应确定余静校正遗传算法的种群大小、种群代数。
(3)根据适应度计算变异概率。
(4)对解空间进行自然数编码。
(5)根据前面确定的参数进行选择、交换、变异操作。
(6)计算适应度。
(7)重复(3)-(6),直至计算结束。
在本发明的另一个示例性实施例中,本发明的基于遗传算法的剩余静校正求取方法用于处理二维地震资料,其可通过以下步骤实现:
A、将不同的炮点或检波点的真实值分别作为遗传算法的不同个体中的单个基因,将多个个体构成初始种群,种群大小popSize通过式1确定。
式1为:popSize=(maxSta/sampInv)×fpopSize。式1中maxSta为最大时移量,在10~60ms之间选择。优选地,maxSta可以在25~45ms之间选择。sampInv为地震数据的采样间隔,单位为ms。fpopSize为种群大小的调控因子,在0.5~1.5之间取值。优选地,fpopSize在0.8~1.2之间取值。
每一个个体均含有多个基因。地震数据有多个炮点和检波点,每个炮点和检波点的真实值(即,剩余静校正量)为一个基因。
B、计算初始种群中每个个体的适应度值,随后对初始种群中的所有个体按适应度值由大到小排序,选择保留适应度值最高的个体作为交换对象。个体的适应度值(可简称为适应度)可用目标函数值表示,目标函数可通过叠加剖面能量(如下面的式4)计算。
C、在种群的第k个个体(即排序后的第k个个体)和所述交换对象上各随机产生两个交换位置,将所述第k个个体的两个交换位置之间的基因段与所述交换对象的两个交换位置之间的基因段进行交换,产生子代新个体。其中,k=popSize×0.4,k须取整。
D、对步骤C中所述进行交换后获得的种群,保留适应度值最高的个体作为精英进入子代;对于其余个体,若随机数r大于该个体的变异概率,则该个体随机产生两个变异位置,并将该个体的两个变异位置处的基因随机变为允许移动的最大时移量maxSta范围内的随机值,从而产生子代新个体;若随机数r不大于该个体的变异概率,则不变异,同时该个体直接进入子代作为子代个体。其中,随机数r在[0,1]间随机产生,个体的变异概率通过以下方式获得,先对该个体所在种群中的所有个体按适应度值由大到小排序,排序后,第i个个体的变异概率根据式2得到。
式2为:
P m i = 0.5 1 + e - ∂ 1 ( i - N z p o p S i z e ) i ≤ N z 0.5 1 + e - ∂ 2 ( i - N z p o p S i z e ) i > N z ,
其中,Nz为认可的适应度较大个体的个数,这里,Nz=0.4*popSize。为形态因子。在0.15~0.25之间取值,例如,可以取0.20;在0.08~0.14之间取值,例如,可以取0.10。
E、重复进行所述步骤B至所述步骤D,直到达到种群代数popGen或误差门槛值时。其中,种群代数popGen通过式3得到。
式3为:
p o p G e n = ( max S t a / s a m p I n v ) × f p o p G e n j = 1 maxE j - 2 maxE j - 1 × ( max S t a / s a m p I n v ) × f p o p G e n j > 1 ,
其中,fpopGen是种群代数的控制因子,在80~120之间取值,例如,可取100。j指第j代种群。maxEj-2为第j代种群的上两代种群中具有最大能量(即,最大叠加剖面能量)的个体的能量值(即,叠加剖面能量)。maxEj-1为第j代种群的上一代种群中具有最大能量(即,最大叠加剖面能量)的个体的能量值。
F、取出种群中最优个体(即,末代种群中适应度值最高的个体),即为炮点、检波点的剩余静校正量。
在本发明的一个示例性实施例中,本发明的基于遗传算法求取剩余静校正量的方法也可通过编辑计算机程序的方式来实现。
本发明的方法局限只处理二维地震资料,如果是三维,提示错误退出程序,如果是二维则统计构成个体的数据信息。判断地震资料是二维还是三维可从工区的线头获取。允许移动的最大时移量maxSta可采用交互方式输入。例如,允许移动的最大时移量maxSta可从10~60ms中选择一整数进行设定,其单位为毫秒(ms)。
根据上面的式1得到遗传算法的种群大小popSize。
根据上面的式2得到遗传算法的将种群个体叠加剖面能量顺序由大到小排列后的第i个个体的变异概率
根据式上面的式3得到遗传算法的种群代数popGen。
确定好遗传算法的参数后,即可计算输入的共反射点道集的剩余静校正量。
剩余静校正问题数据庞大,求解困难,使用传统的二进制编码计算复杂度高。因此,可选用实数编码,即将每一个炮/检波点的真实值作为单个基因,来对遗传算法进行编码。
计算种群中每个个体对应的目标函数值,即为种群中个体的适应度值,目标函数计算以叠加剖面能量为例。具体可如下面的式4所示:
E i = Σ y Σ t [ Σ h d y h ( t + s i , n s + r i , n r ) ] 2
其中,Ei为叠加剖面能量,s,r分别为炮点和检波点的剩余静校正量,d为叠前地震信号数值,nr,ns为第i个种群分别对应炮点,检波点号,y为CDP(即,共反射点),h为炮检距,t为时间。
针对每个种群,按适应度由大到小排序,选择保留适应度最高的个体作为交换对象。
另外,第k个适应度较高的个体将与种群中最优个体交换产生新个体,即随机产生两个交换位置,将两个待交换个体中两个交换位置之间的基因段进行交换,产生子代新个体。本发明中k=popSize×0.4,k须取整。
对交换后种群,保留适应度最高的个体作为精英进入子代,其余个体依据根据式(2)计算的变异概率判断是否进行变异,即产生[0,1]间随机数r,若则进行变异,否则不变异。若变异,采用两点变异策略,即随机产生两个变异位置,将待变异个体中这两个位置处的基因随机变为允许移动的最大时移量maxSta范围内的随机值,从而产生子代新个体,否则父代个体直接进入子代作为子代个体。
重复计算,直至迭代次数达到预设的种群代数popGen或误差(能量变化)门槛值。误差(能量变化)门槛值可通过常规方式确定。例如,误差门槛值可为E0×z,z可以在0.00008~0.00012之间取值。E0指时窗截取(时窗截取属于地震勘探领域常用方法)后参与计算的地震数据的初始叠加剖面能量。
取出种群中最优个体,即炮点、检波点剩余静校正量。
本发明的基于遗传算法求取剩余静校正量的方法应用于地震资料的叠前处理,能够解决传统遗传算法所存在的种群大小、种群代数和个体变异率不易确定、以及效果和效率较低的难题。本发明能够自动确定遗传算法计算参数,而且科学、可靠,并能够很好的解决遗传算法剩余静校正方法中参数难以确定以及效果和效率难以兼顾的问题,具有十分广泛的应用前景。
尽管上面已经结合示例性实施例描述了本发明,但是本领域普通技术人员应该清楚,在不脱离权利要求的精神和范围的情况下,可以对上述实施例进行各种修改。

Claims (3)

1.一种基于遗传算法的剩余静校正求取方法,其特征在于,所述方法处理二维地震资料并包括:
A、将不同的炮点或检波点的真实值分别作为遗传算法的不同个体中的单个基因,将多个个体构成初始种群,种群大小popSize通过式1确定,式1为:popSize=(maxSta/sampInv)×fpopSize,式1中maxSta为最大时移量,在10~60ms之间选择;sampInv为地震数据的采样间隔,单位为ms;fpopSize为种群大小的调控因子,在0.5~1.5之间取值;
B、计算种群中每个个体的适应度值,随后对种群中的所有个体按适应度值由大到小排序,选择保留适应度值最高的个体作为交换对象;
C、在种群的第k个个体和所述交换对象上各随机产生两个交换位置,将所述第k个个体的两个交换位置之间的基因段与所述交换对象的两个交换位置之间的基因段进行交换,产生子代新个体,其中,k=popSize×0.4,k须取整;
D、对步骤C中所述进行交换后获得的种群,保留适应度值最高的个体作为精英进入子代,对于其余个体,若随机数r大于该个体的变异概率,则该个体随机产生两个变异位置,并将该个体的两个变异位置处的基因随机变为允许移动的最大时移量maxSta范围内的随机值,从而产生子代新个体,若随机数r不大于该个体的变异概率,则不变异,同时该个体直接进入子代作为子代个体,其中,随机数r在[0,1]间随机产生,个体的变异概率获得方式为:先对该个体所在种群中的所有个体按适应度值由大到小排序,排序后,第i个个体的变异概率根据式2得到;
E、重复进行所述步骤B至所述步骤D,直到达到种群代数popGen或误差门槛值时,其中,种群代数popGen通过式3得到;
F、取出种群中最优个体,即为炮点、检波点的剩余静校正量。
2.根据权利要求1所述的基于遗传算法的剩余静校正求取方法,其特征在于,所述式2为:
P m i = 0.5 1 + e - ∂ 1 ( i - N z p o p S i z e ) i ≤ N z 0.5 1 + e - ∂ 2 ( i - N z p o p S i z e ) i > N z ,
其中,Nz=0.4*popSize;在0.15~0.25之间取值,在0.08~0.14之间取值。
3.根据权利要求1所述的基于遗传算法的剩余静校正求取方法,其特征在于,所述式3为:
p o p G e n = ( max S t a / s a m p I n v ) × f p o p G e n j = 1 max E j - 2 max E j - 1 × ( max S t a / s a m p I n v ) × f p o p G e n j > 1 ,
其中,fpopGen是种群代数的控制因子,在80~120之间取值;maxEj-2为第j代种群的上两代种群中具有最大能量的个体的能量值;maxEj-1为第j代种群的上一代种群中具有最大能量的个体的能量值。
CN201510945879.1A 2015-12-16 2015-12-16 基于遗传算法的剩余静校正求取方法 Active CN105608493B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510945879.1A CN105608493B (zh) 2015-12-16 2015-12-16 基于遗传算法的剩余静校正求取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510945879.1A CN105608493B (zh) 2015-12-16 2015-12-16 基于遗传算法的剩余静校正求取方法

Publications (2)

Publication Number Publication Date
CN105608493A true CN105608493A (zh) 2016-05-25
CN105608493B CN105608493B (zh) 2018-02-23

Family

ID=55988417

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510945879.1A Active CN105608493B (zh) 2015-12-16 2015-12-16 基于遗传算法的剩余静校正求取方法

Country Status (1)

Country Link
CN (1) CN105608493B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1365008A (zh) * 2001-01-19 2002-08-21 中国石油天然气股份有限公司 一种地震多域迭代静校正方法
CN103728665A (zh) * 2012-10-12 2014-04-16 中国石油化工股份有限公司 一种精细剩余静校正方法
CN103837894A (zh) * 2014-03-10 2014-06-04 中国石油集团川庆钻探工程有限公司地球物理勘探公司 获取剩余静校正量的方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1365008A (zh) * 2001-01-19 2002-08-21 中国石油天然气股份有限公司 一种地震多域迭代静校正方法
CN103728665A (zh) * 2012-10-12 2014-04-16 中国石油化工股份有限公司 一种精细剩余静校正方法
CN103837894A (zh) * 2014-03-10 2014-06-04 中国石油集团川庆钻探工程有限公司地球物理勘探公司 获取剩余静校正量的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
周熙襄: "一种改进的遗传算法及其在剩余静校正中的应用", 《石油地球物理勘探》 *
林依华: "综合全局寻优中遗传算法部分选择操作的研究", 《石油地球物理勘探》 *

Also Published As

Publication number Publication date
CN105608493B (zh) 2018-02-23

Similar Documents

Publication Publication Date Title
CN103105246A (zh) 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法
CN107239845B (zh) 油藏开发效果预测模型的构建方法
Li et al. Short-term economic environmental hydrothermal scheduling using improved multi-objective gravitational search algorithm
CN104933245A (zh) 基于神经网络和遗传算法的船用反应堆屏蔽设计优化方法
CN108446794A (zh) 一种基于多个卷积神经网络结合架构深度学习预测方法
CN104636813A (zh) 一种求解车间作业调度问题的混合遗传模拟退火算法
CN103927580A (zh) 一种基于改进人工蜂群算法的工程约束参数优化方法
CN114969953B (zh) 基于CatBoost-NSGA-Ⅲ的盾构下穿隧道优化设计方法及设备
CN110598929B (zh) 一种风电功率非参数概率区间超短期预测方法
CN103425743A (zh) 基于贝叶斯神经网络算法的蒸汽管网预测系统
CN105469145A (zh) 一种基于遗传粒子群算法的智能组卷方法
CN115577647B (zh) 电网故障类型识别方法与智能体构建方法
CN106156852A (zh) 一种高斯重叠核脉冲估计方法
CN105117809A (zh) 海上丛式井组钻井顺序优化方法
CN104573857A (zh) 一种基于智能算法优化组合的电网负荷率预测方法
CN116523086A (zh) 基于长短时记忆深度神经网络的单井生产动态预测方法
CN111008790A (zh) 一种水电站群发电调度规则提取方法
CN105578472A (zh) 一种基于免疫原理的无线传感网络性能在线优化规划方法
CN104732067A (zh) 一种面向流程对象的工业过程建模预测方法
CN101853202B (zh) 一种基于遗传算法和带权匹配算法的测试案例自动生成方法
CN113554213A (zh) 一种天然气需求预测方法、系统、存储介质及设备
CN103279652A (zh) 一种基于蜂群行为的dna遗传算法的复杂化工过程建模方法
CN118036477B (zh) 一种基于时空图神经网络的井位及井控参数优化方法
CN113393051A (zh) 基于深度迁移学习的配电网投资决策方法
CN105608493A (zh) 基于遗传算法的剩余静校正求取方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP02 Change in the address of a patent holder

Address after: No. 216, No. 216, Huayang Avenue, Tianfu New District, Sichuan, Sichuan

Patentee after: GEOPHYSICAL EXPLORATION COMPANY OF CNPC CHUANQING DRILLING ENGINEERING Co.,Ltd.

Address before: No. 216, No. 216, Huayang Avenue, Huayang Town, Shuangliu County, Shuangliu County, Sichuan

Patentee before: GEOPHYSICAL EXPLORATION COMPANY OF CNPC CHUANQING DRILLING ENGINEERING Co.,Ltd.

CP02 Change in the address of a patent holder
TR01 Transfer of patent right

Effective date of registration: 20180404

Address after: No. 189, fan Yangxi Road, Zhuozhou City, Baoding, Hebei

Patentee after: BGP INC., CHINA NATIONAL PETROLEUM Corp.

Address before: No. 216, No. 216, Huayang Avenue, Tianfu New District, Sichuan, Sichuan

Patentee before: GEOPHYSICAL EXPLORATION COMPANY OF CNPC CHUANQING DRILLING ENGINEERING Co.,Ltd.

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20201110

Address after: 100007 Beijing, Dongzhimen, North Street, No. 9, No.

Patentee after: CHINA NATIONAL PETROLEUM Corp.

Patentee after: BGP Inc., China National Petroleum Corp.

Address before: No. 189, fan Yangxi Road, Zhuozhou City, Baoding, Hebei

Patentee before: BGP Inc., China National Petroleum Corp.

TR01 Transfer of patent right